1 概述
1.1 什么是 Azkaban
Azkaban 是由 Linkedin 公司推出的一个批量工作流任务调度器，主要用于在一个工作流
内以一个特定的顺序运行一组工作和流程，它的配置是通过简单的 key:value 对的方式，通
过配置中的 Dependencies 来设置依赖关系。Azkaban 使用 job 配置文件建立任务之间的依赖
关系，并提供一个易于使用的 web 用户界面维护和跟踪你的工作流。
1.2 为什么需要工作流调度系统
1）一个完整的数据分析系统通常都是由大量任务单元组成：
Shell 脚本程序，Java 程序，MapReduce 程序、Hive 脚本等
2）各任务单元之间存在时间先后及前后依赖关系
3）为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行；
例如，我们可能有这样一个需求，某个业务系统每天产生 20G 原始数据，我们每天都
要对其进行处理，处理步骤如下所示：
- 通过 Hadoop 先将原始数据上传到 HDFS 上（HDFS 的操作）；
- 使用 MapReduce 对原始数据进行清洗（MapReduce 的操作）；
- 将清洗后的数据导入到 hive 表中（hive 的导入操作）；
- 对 Hive 中多个表的数据进行 JOIN 处理，得到一张 hive 的明细表（创建中间表）；
- 通过对明细表的统计和分析，得到结果报表信息（hive 的查询操作）；
1.3 Azkaban 特点
- 兼容任何版本的 hadoop
- 易于使用的 Web 用户界面
- 简单的工作流的上传
- 方便设置任务之间的关系
- 调度工作流
- 模块化和可插拔的插件机制
- 认证/授权(权限的工作)
- 能够杀死并重新启动工作流
- 有关失败和成功的电子邮件提醒
1.4 常见工作流调度系统
1）简单的任务调度：直接使用 crontab 实现；
2）复杂的任务调度：开发调度平台或使用现成的开源调度系统，比如 ooize、azkaban 等
1.5 Azkaban 的架构
Azkaban 由三个关键组件构成：
- AzkabanWebServer：AzkabanWebServer 是整个 Azkaban 工作流系统的主要管理者，
它用户登录认证、负责 project 管理、定时执行工作流、跟踪工作流执行进度等一
系列任务。 - AzkabanExecutorServer：负责具体的工作流的提交、执行，它们通过 mysql 数据库
来协调任务的执行。 - 关系型数据库（MySQL）：存储大部分执行流状态，AzkabanWebServer 和
AzkabanExecutorServer 都需要访问数据库。